深度分析
DRSA：解耦特徵與結構以改善多域異質圖的少樣本遷移
多域異質圖在跨域預訓練時，會同時面臨跨型別特徵差異與域內關聯結構不一致，傳統以全域特徵對齊（如 PCA、SVD）的方法容易導致型別崩塌與關聯混淆。
深度分析
多域異質圖在跨域預訓練時，會同時面臨跨型別特徵差異與域內關聯結構不一致，傳統以全域特徵對齊（如 PCA、SVD）的方法容易導致型別崩塌與關聯混淆。
深度分析
針對圖形基礎模型（GFM）普遍以連結預測或重建為預訓練目標、與下游少樣本任務不一致的問題，研究提出Mochi：一套將少樣本情境納入預訓練的元學習框架。每一訓練情境以節點/邊/整圖層級抽樣，於支援集上解析求解帶偏置的閉式ridge讀出，並將查詢損失的梯度反傳至編碼器，促使表示空間為線性可分而非僅反映連結幾何。